¿Qué entendemos por la era del "Business-to-Agent" y por qué supone un cambio de paradigma para la industria farmacéutica?
Durante décadas, la industria farmacéutica ha construido sus estrategias de comunicación sobre una premisa: conseguir que una persona, paciente o profesional sanitario, encuentre, lea y valore la información. Ese es el modelo Business-to-Human.

El modelo Business-to-Agent introduce una nueva capa. En determinados momentos, el primer receptor de la información ya no es una persona, sino un agente de IA que busca, selecciona, sintetiza y presenta el contenido al usuario final. Entre ellos aparece un intermediario que opera con reglas distintas a las de un buscador tradicional.

El cambio de fondo es que ya no basta con estar presente. El contenido debe ser recuperado, interpretado y citado por el sistema. La pregunta deja de ser "¿aparece mi marca en Google?" y pasa a ser "¿qué responde una IA cuando un médico pregunta por mi área terapéutica o mi producto?".

Y no es teoría. En Estados Unidos, OpenEvidence, un asistente de IA para profesionales médicos, es utilizado por cerca del 65% de los médicos y respondió a 27 millones de consultas clínicas en abril de 2026. Cuando un profesional pregunta por una molécula, el sistema elabora la respuesta. Si no estamos entre las fuentes que la IA considera fiables, para ese médico puede que no existamos.

Hasta ahora, las estrategias digitales se centraban en ser visibles para las personas. ¿Cómo cambia el escenario cuando quienes consumen, sintetizan y recomiendan la información son agentes de IA?
Cambia lo que funciona. En el modelo tradicional optimizábamos páginas, keywords, clics e impresiones. En el entorno generativo debemos pensar en respuestas, fuentes y menciones.

Los sistemas de IA no hacen clic en anuncios ni se dejan convencer por un buen claim. Buscan evidencia, consistencia entre fuentes y autoridad científica.

Los datos apuntan en esa dirección. Los resúmenes que Google muestra por encima de los resultados, los llamados AI Overviews, ya aparecen en el 75% de las búsquedas relacionadas con la industria farmacéutica. Cuando están presentes, algunos estudios registran caídas superiores al 60% en el clic orgánico.

La competencia se desplaza de la página de resultados a la propia respuesta generada. El tráfico web deja de ser la métrica relevante y surgen otras preguntas: “¿nos cita el modelo?”, “¿con qué nos asocia cuando lo hace?”.

¿Cómo están evolucionando los hábitos de búsqueda de información científica entre los profesionales sanitarios? ¿Qué papel están empezando a desempeñar los asistentes de IA?
Estamos pasando de una búsqueda basada en palabras clave a otra de carácter conversacional, orientada a una necesidad concreta. Un profesional puede pasar de buscar "guía clínica sobre psoriasis 2026" a formular una pregunta más sofisticada: "¿qué opciones terapéuticas tienen mayor evidencia en este perfil de paciente? Elabora una tabla comparativa".

El agente sintetiza literatura, guías y publicaciones, y ofrece una primera respuesta que el profesional puede ampliar mediante nuevas preguntas.

La velocidad del cambio es notable. Según esta encuesta de 2026, el 81% de los médicos ya utiliza la IA con fines profesionales, frente al 38% registrado en 2023. Y el caso de uso más extendido es precisamente este: la síntesis de literatura científica y de estándares de práctica clínica, una función que ya emplea el 39% de los médicos.

La IA se está convirtiendo en una excelente primera capa de descubrimiento y síntesis. Pero la fuente científica primaria sigue siendo lo que permite al humano validar la respuesta. ¿Qué implicaciones tiene el concepto de GEO (Generative Engine Optimization) para las marcas farmacéuticas? ¿Cómo deberían prepararse para ser relevantes en este nuevo entorno?
GEO no es SEO con otro nombre. El SEO optimiza páginas para mejorar su visibilidad en buscadores que ordenan enlaces (Google). El GEO busca que el conocimiento de una organización sea recuperado, interpretado y citado por sistemas que construyen una respuesta (LLMs). 

Para una compañía farmacéutica esto implica trabajar en tres niveles. Primero, la arquitectura del conocimiento: contenidos científicos estructurados, con afirmaciones explícitas y una buena indexabilidad. Segundo, la autoridad de las fuentes: consistencia entre publicaciones científicas, guías, sociedades médicas y otros actores independientes. Y tercero, la medición: complementar las métricas clásicas con nuevos indicadores como la visibilidad en IA, el share of voice dentro de las respuestas, las fuentes citadas o la precisión de las menciones.

¿Por dónde empezar? Por auditar. La mayoría de las compañías todavía no saben qué responden ChatGPT, Gemini u OpenEvidence sobre sus productos: si los mencionan, con qué evidencia los relaciona o frente a qué alternativas los sitúan. Sin ese diagnóstico, cualquier estrategia parte de una visión incompleta. 

La visita médica ha sido históricamente uno de los principales canales de relación con los profesionales sanitarios. ¿Cómo creéis que los copilotos de IA transformarán este modelo en los próximos años?
La IA no reemplazará la visita médica, pero elevará el nivel de valor que se espera de ella. Si un profesional puede obtener bajo demanda información sobre un mecanismo de acción o comparar datos entre alternativas, la visita ya no puede limitarse a transmitir información básica.

Los datos también apuntan hacia una transformación: el 70% de los profesionales sanitarios ya prefiere el formato virtual para recibir información específica de producto, como eficacia, seguridad o acceso.

El papel del delegado evolucionará hacia aquello que la IA no puede reproducir de la misma manera: contexto, conversación y relación. Imaginamos un modelo en el que la IA prepara el terreno y ayuda al delegado a personalizar el encuentro.

La información más rutinaria podrá resolverse mediante un agente. La visita humana se reservará para profundizar en los aspectos relevantes, debatir la evidencia y mantener una conversación estratégica. Precisamente por eso, esa interacción será más valiosa.

¿Qué oportunidades abre este nuevo escenario para mejorar la experiencia de médicos y pacientes? ¿Y cuáles son los principales riesgos o retos?
Para el HCP, la oportunidad es sintetizar grandes volúmenes de literatura, localizar evidencia relevante y comparar alternativas en cuestión de segundos. Esto puede ayudarles a dedicar más tiempo de calidad a su paciente.

Para el paciente, la IA puede facilitar el acceso a explicaciones adaptadas a su nivel de conocimiento y expresadas en un lenguaje más comprensible.

Sin embargo, cuanto más fluida es la experiencia, mayores son también los riesgos:

El primero, la generación de información incorrecta: en salud, un error puede tener consecuencias clínicas y el sistema puede presentar como válida una afirmación que no está suficientemente respaldada.

El segundo, la pérdida de contexto: una respuesta aparentemente correcta puede omitir una contraindicación o limitación importante de la evidencia.

El tercero, la actualización: la medicina cambia constantemente y una respuesta basada en información desactualizada puede resultar incompleta o incluso peligrosa.

Y el cuarto, el control: ninguna compañía controla por completo lo que un agente de IA dice sobre su marca. Si un modelo describe incorrectamente las interacciones de un fármaco, el problema deja de ser exclusivamente de marketing y afecta a la seguridad del paciente.

Por eso, la estrategia no debe consistir en intentar controlar la respuesta de la IA, sino en aumentar las probabilidades de que esa respuesta se construya sobre evidencia fiable, actualizada y correctamente contextualizada.

En un contexto donde la IA resume y recomienda información, ¿cómo pueden las compañías garantizar el rigor científico, la calidad del contenido y la confianza?
Hay una buena noticia: los modelos premian exactamente lo que la medicina lleva décadas premiando: evidencia publicada, revisada por médicos, trazable hasta la fuente. La confianza ya no se construye solo con lo que decimos, sino con la trazabilidad de lo que decimos. El principio es evidence first: cada afirmación debe vincularse a una fuente científica o regulatoria, estar fechada y contextualizada.

Esto exige una colaboración estrecha entre los equipos de marketing, medical, regulatory, legal y digital. Así como una monitorización continua sobre qué dicen los modelos de nosotros, para detectar y corregir errores antes de que lleguen a la consulta.

El gran cambio estratégico de esta era puede resumirse así: pasar de una lógica de content marketing a una lógica de knowledge management con dos audiencias igual de importantes: las personas y los agentes de IA.

El primer cliente de nuestro próximo lanzamiento puede no ser un médico, sino el modelo que ese médico consulte. Las compañías que empiecen a abordarlo ahora, cuando la disciplina está definiendo sus reglas, partirán con ventaja.